قرصی (۱۳۹۰) در پژوهشی با عنوان ” رتبه بندی اعتباری مشتریان حقوقی بانک ملت با بهره گرفتن از شبکه های عصبی GMDH و معادلات اقتصاد سنجی ” به مدلسازی سنجش ریسک اعتباری و اعتبارسنجی مشتریان در بانک ملت به روش رگرسیون لاجیت و پروبیت و مدل شبکه های عصبی GMDH پرداخت. بدین منظور اطلاعات و داده های مالی و کیفی یک نمونه تصادفی ۲۰۰ تایی از مشتریان که تسهیلات دریافت نموده اند مورد بررسی قرار داد. در این تحقیق پس از بررسی پرونده های اعتباری هریک از مشتریان، در ابتدا ۱۱ متغیر توضیح دهنده شامل متغیرهای مالی و کیفی از جمله نوع وثیقه، شخصیت قانونی متقاضی (حقیقی یا حقوقی)، نوع فعالیت، سابقه همکاری، سرمایه، نسبت جاری، نسبت آنی، نسبت دارایی جاری به کل دارایی، گردش کل دارایی، گردش سرمایه جاری، نسبت بدهی، نسبت مالکانه شناسایی و اثر آن ها روی احتمال نکول (عدم بازپرداخت وام) مورد ارزیابی قرار گرفت و مدل به وسیله آن برازش گردید. سپس مدل به روش شبکه عصبی با الگوریتم GMDH طراحی و مدل سازی گردید. نتایج تحقیق ضمن دلالت بر تأیید نظریه های اقتصادی و مالی در زمینه عوامل مؤثر بر ریسک اعتباری نشان می‌دهد که عملکرد پیش‌بینی الگوی شبکه عصبی (درصد پیش‌بینی صحیح آن) به مراتب بهتر ازالگوهای اقتصادسنجی متعارف لاجیت و پروبیت است.

مصطفی فقیه (۱۳۸۷) در رساله خود با عنوان ” طراحی مدل رتبه بندی اعتباری مشتریان حقوقی بانک های تجاری ” با بهره گرفتن از دو شیوه آماری رگرسیون لجستیک و تجزیه و تشخیص چند بعدی (MDA) به منظور رتبه بندی اعتباری مشتریان حقوقی بانک های تجاری الگویی طراحی کرد. الگوی طراحی شده توسط محقق توانست با بهره گرفتن از اطلاعاتی که هنگام مراجعه مشتریان حقوقی به بانک (برای گرفتن تسهیلات بانکی) از ایشان گرفته می شد به رتبه بندی اعتباری مشتریان بپردازد و پس از تجزیه و تحلیل ها با توجه به اطلاعات مربوط، رتبه ای که نشان دهنده وضعیت اعتباری مشتری بود به هریک از ایشان اختصاص دهد. رتبه مورد نظر توانست مبنای ارزیابی اعتبار مشتریان حقوقی قرار گیرد.

دکتر قلی زاده (۱۳۸۳) در رساله دکتری خود با عنوان ” طراحی مدل رتبه بندی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با بهره گرفتن از تحلیل پوششی داده ها ” به رتبه بندی شرکت‌ها پرداخت. در این پژوهش ابتدا به روش پیمایشی، دیدگاه کارشناسان و صاحب نظران پیرامون اهمیت هریک از متغیرهای مالی برای رتبه بندی شرکت‌ها مشخص شده، سپس با بهره گرفتن از رویکرد AHP ، شرکت‌های مورد نظر رتبه بندی شدند. نتایج این پژوهش حاکی از این است که رویکرد یاد شده روش مناسبی برای رتبه بندی شرکت‌ها بر حسب ریسک است.

وکیلی (۱۳۸۹) در تحقیقی به ” نقش متغیرهای مالی و اقتصادی در رفتار اعتباری مشتریان حقوقی بانک پاسارگاد ” پرداخت. در این تحقیق نحوه تأثیر متغیرهای مالی، ویژگی‌های کیفی مشتریان و متغیرهای اقتصادی کشور بر رفتار اعتباری مشتریان حقوقی بانک پاسارگاد مورد بررسی قرار گرفته است. برای این منظور دو گروه ۱۲۵ تایی از مشتریان اعتباری نکول کرده و نکول نکرده بانک پاسارگاد که در طی سال‌های ۱۳۸۴ تا ۱۳۸۸ تسهیلات دریافت نموده اند به عنوان نمونه آماری تحقیق انتخاب شده اند. تحقیق در دو مرحله صورت پذیرفته است؛ در مرحله اول با بهره گرفتن از مشخصات مالی و کیفی شرکت‌های تحت مطالعه یک مدل امتیازدهی اعتباری تخمین زده شده است که ‌بر اساس نتایج آن، متغیرهای اثرگذار بر امتیاز اعتباری مشتریان عبارتند از: نسبت ارزش ویژه، نسبت مالکانه و نسبت سرمایه در گردش به کل دارایی. مدل امتیاز دهی اعتباری تخمین زده شده دارای نرخ دقت کلی ۶/۶۵ درصد بوده و مشتریانی که امتیاز مثبت (بیشتر از صفر) کسب نمایند در زمره مشتریان خوش حساب و مشتریانی که نمره منفی کسب نمایند در گروه مشتریان بدحساب طبقه بندی می‌شوند. در مرحله دوم تحقیق، با بهره گرفتن از تحلیل مدت دار و رگرسیون کاکس، یک مدل مدت دار تخمین زده شده است تا اثر امتیاز اعتبار مشتری، نرخ تورم، نرخ بیکاری و نرخ رشد GDP را بر مدت زمان بازپرداخت بررسی نماید. نتایج تحقیق نشان می‌دهد که امتیاز اعتباری محاسبه شده بر اساس مدل مرحله اول، نرخ تورم و نرخ بیکاری رابطه معناداری با مدت زمان بازپرداخت وام مشتری دارند.

مطالعات انجام شده در خارج از کشور

لیمسو بونچایی^[۵۰]، گان و لی^[۵۱] (۲۰۰۵) پژوهشی با عنوان ” تحلیلی از امتیازدهی اعتباری برای وامهای کشاورزی در تایلند ” را انجام داده‌اند. هدف از این تحقیق، تخمین مدل امتیازدهی اعتباری برای وامهای کشاورزی در تایلند بوده است. برای این منظور، آن ها از مدل لاجیت و دو نوع از مدل‌های شبکه عصبی مصنوعی با عنوان شبکه های عصبی احتمالی^[۵۲] و شبکه عصبی چند لایه باز خوردی^[۵۳] برای برآورد مدل امتیازدهی اعتباری خود استفاده کردند. نتایج حاصل از بررسی های تجربی قدرت پیش‌بینی مدل های مذکور نشان می‌دهد که مدل شبکه عصبی احتمالی به طور کلی قدرت پیش‌بینی صحیح این مدل در داده های داخل نمونه، بیشتر از دو مدل دیگر است. نتایج حاصل از قدرت پیش‌بینی مدل در داده های خارج از نمونه نشان می‌دهد که هر سه مدل از قدرت پیش‌بینی یکسان برخوردارند اما در کل، مدل لاجیت فقط وام های خوب را می‌تواند پیش‌بینی کند و توان پیش‌بینی وام های بد را ندارد اما قدرت پیش‌بینی مدل لاجیت ‌در مورد وام های خوب بالاتر از دو مدل دیگر است. به منظور تصمیم گیری ‌در مورد انتخاب یکی از این سه مدل و کاهش خطای طبقه بندی وام ها، زیان انتظاری طبقه بندی نادرست، محاسبه شده است. محاسبه این نسبت نشان می‌دهد که مدل شبکه عصبی احتمالی نسبت به دو مدل دیگر، از اولویت در برآورد امتیاز اعتباری مشتریان برخوردار است.

مین و لی^[۵۴] (۲۰۰۸) در پژوهشی با هدف ” رتبه بندی اعتباری از شیوه تحلیل پوششی داده ها ” استفاده کردند. ‌به این منظور محققان داده های مالی حسابرسی شده شماری از شرکت‌های تولیدی را مورد استفاده قرار دادند. ایشان نسبت‌های هزینه های مالی به فروش، بدهی های جاری به سرمایه و کل بدهی به کل دارایی را ورودی و نسبت‌های سرمایه به کل دارایی و دارایی

1. 1. Data Mining ↑

1. 1. Support Vector Machine ↑

1. 1. Decision Tree ↑

1. 1. Neural Network ↑

1. 1. Jon Mory ↑

1. 1. Fisher ↑

1. 1. Durand ↑

1. 1. Beaver ↑

1. 1. Altman ↑

1. 1. Saunders & Allen ↑

1. 1. MCDM ↑

1. 1. Credi Scoring ↑

1. 1. Credit Rating ↑

1. 1. Yang Lui ↑

1. 1. Subjective ↑

1. 1. Desai,Crook & Overstreet ↑

1. 1. Linear Discriminant Analysis (LDA) ↑

1. 1. Logistic Regression Analysis (LRA) ↑

1. 1. West ↑

1. 1. Thomas ↑

1. 1. Danhem ↑

1. 1. Position Held ↑

1. 1. Income Statement ↑

1. 1. Collateral ↑